Podsumowanie: Programowanie systemów rozproszonych

Pytanie 1

Przycinanie drzew decyzyjnych stosuje się w celu:

ponownego przeprowadzenia podziału w miejscu cięcia

uniknięcia przeuczenia i skomplikowania modelu

redukcji liczby klas

eliminacji zmiennych nieistotnych

Pytanie 2

Przyjęcie metryki L1 (metryki Manhattan) sprawia, że okręgi przyjmują kształt:

kardioid

rombów

elips

trójkątów

Pytanie 3

Algorytmy genetyczne (ewolucyjne) służa generalnie do realizacji zadań:

poszukiwania reguł asocjacyjnych

optymalizacji

eksploracji danych zapisanych w chromosomach roślin i zwierząt

regresji

Pytanie 4

Rolą pojedynczego neuronu w warstwie perceptronu użytego do klasyfikacji jest:

klasyfikacja pojedynczej cechy wejściowej

podział przestrzeni wejść na dwie półprzestrzenie

ozpoznawanie jednej ze znanych klas w zbiorze

rozpoznawanie jednego przypadku w zbiorze

Pytanie 5

Technika k-krotnej walidacji krzyżowej służy do:

ustalenia optymalnego momentu przerwania uczenia modelu

uniknięcia tendencyjności w ocenie jakości modelu

klasteryzacji zbioru na k maksymalnie odległych skupień

wyeliminowania wzajemnych zależności między zmiennymi

Pytanie 6

Problem klasyfikacyjny polega na:

prognozowaniu kategorii obserwacji na podstawie jej cech

rozróżnianiu obserwowanych cech na wejściowe i wyjściowe

ustaleniu optymalnej liczby klas, do których należą obserwacje

poszukiwaniu przypadków najbardziej reprezentacyjnych dla klas

Pytanie 7

Klasyczny (perceptronowy) model neuronu posiada dwa wejścia o wagach w1=1, w2=2, na które podano odpowiednio sygnały x1=−1, x2=+1. Funkcja aktywacji jest funkcją liniową postaci y=2x. Sygnał wyjściowy neuronu wynosi:

-1

1

2

0

Pytanie 8

Oryginalna zmienna x przyjmuje trzy wartości: -2, 1, 4. Po przeprowadzeniu normalizacji tej zmiennej wg metody min-max do przedziału [0, 1], oryginalnej wartości 1 odpowiada znormalizowana wartość:

1

0,5

0,75

0,25

Pytanie 9

.Argumentem funkcji aktywacji neuronu typu RBF jest

odległość wektorów: wejściowego x i wag w

iloczyn skalarny wektorów: wejściowego x i wag w

ważona liczba wejść danego neuronu

suma sygnałów x1 + x2 + ... wektora wejściowego x

Pytanie 10

Przeuczenie modelu (overfitting) można rozpoznać po tym, że

w procesie uczenia zaczyna rosnąć błąd dla próby testowej

szybkość uczenia się modelu zaczyna spadać w kolejnych iteracjach

liczba błędnie zaklasyfikowanych przypadków spada do 0

trafność predykcji modelu przekracza poziom 99.73%

Pytanie 11

Na etapie wstępnej eksploracyjnej analizy danych najmniej przydatne jest

użycie metod nienadzorowanej klasteryzacji

wygenerowanie histogramów zmiennych ciągłych

wizualne porównanie współzależności par zmiennych

zliczenie wystąpień wartości zmiennych nominalnych

Pytanie 12

.Iloczyn skalarny wektora cech z pewnym wektorem wag można traktować jako formę

regresji liniowej

redukcji wymiarowości

ekstrakcji cech

obrotu w przestrzeni cech

Pytanie 13

Metoda wzmacniania gradientowego (gradient boosting) służy do

generowania dodatkowych sztucznych próbek w zbiorach uczących

budowania mocnego modelu złożonego z wielu słabszych modeli

zwiększania kontrastu pomiędzy blisko leżącymi klastrami

przyspieszania procesu uczenia głębokich sieci neuronowych

Pytanie 14

Problem klasteryzacyjny polega na

grupowaniu cech obserwacji w skorelowane ze sobą zespoły

predykcji przynależności danej obserwacji do różnych klas

identyfikacji skupisk zgodnie z pewnym kryterium podobieństwa

poszukiwaniu granic oddzielających obserwacje różnych klas

algorytmu wstecznej propagacji błędów

Pytanie 15

Wskaż drugi algorytm (metodę), który służy do rozwiązywania tego samego typu problemów eksploracji danych, co algorytm k-najbliższych sąsiadów

algorytm Kohonena (sieć neuronowa typu SOM)

algorytm PCA (analiza głównych składowych)

algorytm k-średnich

algorytm CART (drzewa klasyfikacyjne i regresyjne)

Pytanie 16

Poszukiwanie zbiorów częstych jest pierwszym etapem

algorytmu A priori

algorytmu wstecznej propagacji błędów

algorytmu k-średnich

algorytmu k-najbliższych sąsiadów

Pytanie 17

Wskaż metodę NIEPRZYDATNĄ w rozwiązywaniu zadań predykcyjnych

liniowa regresja wieloraka

sieć neuronowa typu RBF

sieć neuronowa typu PERCEPTRON WIELOWARSTWOWY

algorytm k-średnich

Pytanie 18

Aglomeracyjne metody klasteryzacji polegają na

krokowym dodawaniu linii dzielących klastry w optymalnym miejscu

stopniowym ograniczaniu klastrów poprzez usuwanie outlierów

iteracyjnym dzieleniu klastrów na najbardziej odległe połowy

przyrostowym budowaniu klastrów poprzez dodawanie sąsiednich punktów

Pytanie 19

Sieć neuronowa Kohonena (SOM) generalnie jest przeznaczona do realizacji

klasyfikacji bezwzorcowej (grupowania)

analizy szeregów czasowych

klasyfikacji wzorcowej

prognozowania lub szacowania wartości

Pytanie 20

Końcowe trzy etapy eksploracji danych w metodologii CRISP-DM to KOLEJNO:

Ewaluacja - Modelowanie - Wdrożenie

Modelowanie - Wdrożenie - Ewaluacja

Modelowanie - Ewaluacja - Wdrożenie

Wdrożenie - Ewaluacja - Modelowanie

Pytanie 21

Pojęcie tensora występujące często w dziedzinie uczenia głębokiego oznacza

warstwę wejściową rozprowadzającą sygnały do sieci

wyspecjalizowany rodzaj neuronów przetwarzających obraz

uogólnienie pojęcia macierzy na wiele wymiarów

wektor wskazujący kierunek najszybszego spadku błędu sieci

Pytanie 22

Metoda K najbliższych sąsiadów wybiera sąsiadów analizowanego punktu

należących do tego samego klastra

leżących w tym samym wymiarze przestrzeni

najbliższych pod względem cech wejściowych

najbliższych pod względem prognozowanej wartości

Pytanie 23

Która z poniższych metod NIE służy do wyznaczania odległości pomiędzy skupieniami:

metoda najdalszego sąsiedztwa

metoda średnich połączeń

metoda k-średnich

metoda pojedynczego wiązania

Pytanie 24

Problem klasyfikacyjny można zamienić na problem regresyjny poprzez:

zmniejszenie liczby wymiarów do dwóch

prognozowanie stopnia przynależności do klasy

zredukowanie liczby klas do jednej

zamianę zmiennych kategorycznych na ciągłe

Pytanie 25

.Algorytm aglomeracyjny rozpoczyna proces analizy od stanu, w którym:

obiekty podzielone są wstępnie przy użyciu innej metody grupowania

obiekty są losowo przydzielone do skupień, a liczba skupień jest z góry określana

wszystkie obiekty tworzą jedno skupienie

każdy obiekt tworzy osobne skupienie

Pytanie 26

Aby wyeliminować tzw. efekt przeuczenia sieci neuronowej (uczenie nadzorowane), należy uznać za optymalny (ostateczny) zbiór wartości wag, otrzymany w momencie:

minimum błędu dla ciągu uczącego

zakończenia działania algorytmu uczącego

minimum błędu dla ciągu walidacyjnego

zidentyfikowania minimum lokalnego funkcji błędu uczącego

Pytanie 27

Istotną WADĄ sieci neuronowych jako modeli eksploracji danych jest

brak zdolności do modelowania zjawisk nieliniowych

brak zdolności wyjaśniania (uzasadniania) wygenerowanych odpowiedzi

nieparametryczność

bardzo długi czas reakcji (odpowiedzi) nauczonej sieci

Pytanie 28

W pewnym problemie eksploracji danych zmienna wyjściowa (zależna) przyjmuje 3 możliwe wartości: “biały”, “czerwony”, “niebieski”. Dany problem zaliczamy do zadań:

poszukiwania reguł asocjacyjnych

regresyjnych (szacowanie, predykcja)

klasyfikacji wzorcowej

klasyfikacji bezwzorcowej (grupowania)

Pytanie 29

Hiperparametrami modelu nazywa się parametry, które:

są dopasowywane podczas uczenia do danych wejściowych

opisują wagi połączeń pomiędzy całymi warstwami sieci

mogą zmieniać się w bardzo szerokim zakresie wartości

sterują przebiegiem procesu uczenia modelu

Pytanie 30

Typowy zbiór danych używany do trenowania modeli uczenia maszynowego składa się z:

klas zawierających instancje

obserwacji obejmujących cechy

instancji zgrupowanych w kategorie

obiektów posiadających atrybuty

Pytanie 31

Problem regresyjny polega na:

prognozowaniu wartości na podstawie obserwowanych cech

znajdowaniu prostej najlepiej dopasowanej do obserwacji

poszukiwaniu korelacji między zmiennymi wejściowymi

dopasowaniu współczynników modelu do obserwacji uczących

Twój wynik: Programowanie systemów rozproszonych

Analiza